Lors de l’événement HUAWEI CONNECT 2026, Huawei a présenté sa vision du développement d’une infrastructure capable de suivre l’expansion rapide des modèles d’intelligence artificielle ainsi que des charges de travail d’inférence et d’entraînement. Au cours d’un discours inaugural prononcé par David Wang, vice-président du conseil d’administration et président tournant de l’entreprise, Huawei a mis l’accent sur le renforcement des capacités de calcul et de connectivité, considérées comme le fondement de l’extension des applications d’intelligence artificielle.
La vision de l’entreprise repose sur les technologies SuperPoD et SuperCluster, qui visent à relier un grand nombre de nœuds de calcul au sein d’un environnement unifié à haute vitesse. Selon Huawei, cette approche permet de gérer plus efficacement les charges de travail à grande échelle, tout en proposant des options de calcul sur site chez les clients et via le cloud.
Pourquoi le besoin d’une infrastructure spécialisée augmente-t-il ?
Huawei relie cette orientation à l’augmentation de la taille des modèles et des capacités des agents d’intelligence artificielle. D’après les chiffres présentés par l’entreprise, le nombre de paramètres des grands modèles approche les 10 000 milliards, et devrait dépasser 100 000 milliards d’ici 2030. De même, la taille des modèles pour smartphones est passée de 3 milliards de paramètres en 2024 à 30 milliards actuellement, tandis que des modèles comprenant 100 milliards de paramètres se rapprochent.
Sur le plan de l’inférence, le volume quotidien en Chine a atteint environ 500 000 milliards de tokens, et Huawei prévoit qu’il atteindra le niveau du quadrillion d’ici 2030. Cette hausse exerce une pression accrue sur les performances et la fiabilité des systèmes, notamment dans les environnements regroupant des dizaines de milliers d’unités de traitement neuronal.
Résultats de la simulation et signification pratique
Huawei a expliqué que les opérations de communication entre les composants de l’infrastructure traditionnelle pouvaient consommer plus de 40 % du temps total d’entraînement des modèles, ce qui limite l’efficacité de l’utilisation des capacités de calcul. Lors d’une simulation menée par le laboratoire Markov Lab de l’entreprise, un ensemble comprenant 100 000 unités NPU, construit à l’aide de SuperPoD contenant chacun 4 000 unités NPU, a atteint une hausse pouvant aller jusqu’à 2,75 fois de l’efficacité d’utilisation des capacités de calcul par rapport à un ensemble comparable reposant sur des serveurs comprenant chacun 8 unités NPU.
Ce résultat explique l’importance de réduire le temps de communication entre les unités lors de l’entraînement de modèles à grande échelle, mais il reste le résultat d’une simulation et non d’une mesure indépendante publiée dans un environnement opérationnel réel. Le contenu ne précise donc pas à lui seul les détails des charges de travail, des logiciels ou des conditions de test à l’origine de l’écart annoncé.
Déploiement d’Atlas et soutien de l’écosystème
Huawei a déclaré avoir déployé à ce jour plus de 1 000 systèmes Atlas 900 A3 SuperPoD, tandis que l’Atlas 950 SuperPoD connaît un déploiement commercial à grande échelle. L’entreprise a également indiqué qu’elle soutenait l’entraînement de modèles fondamentaux sur ses systèmes, ainsi que l’exécution d’un large éventail de modèles et d’applications au sein d’écosystèmes de calcul ouverts.
La stratégie de l’entreprise comprend des capacités de calcul limitées, moyennes et massives, avec l’élargissement de l’utilisation de l’intelligence artificielle sur les appareils et dans les véhicules, parallèlement au développement de réseaux de communication de nouvelle génération. Cela indique que Huawei ne présente pas le SuperPoD comme un simple produit autonome, mais comme une partie d’une vision plus large reliant le traitement, les réseaux, le cloud et les appareils.